李开复《人工智能》读后感1500字

下面是小编为大家整理的李开复《人工智能》读后感1500字,供大家参考。

　

　李开复的《人工智能》读后感 1500 字

　导读：读书笔记李开复的《人工智能》读后感 1500 字，仅供参考，如果觉得很不错，欢迎点评和分享。

　 李开复的《人工智能》读后感 1500 字：

　 首先感谢刘莉莉的赠送李开复的《人工智能》书本，谢谢其的信任，正因为如此，及个人的薄稀能力未能读懂书中的全部内容，也无法从书中内容里提炼出对自己的工作价值的赋能关键合作点。特此写一份读后感，以便于自己的总结和深度思考，同时也发到朋友圈分享使得感兴趣的朋友、特别对 AI 有一定期望的人，可建议其阅读一下。

　 书本总共分为六章，主要涵盖了从身边日常应用的弱人工智能，如头条、客服 AI 助理、图片人脸视觉识别、电子商务评价信息应用、搜索广告等功能，揭示了人工智能已经是普及的技术应用，且是相对性的成熟。

　 所以我们有必要放下“固有的偏见”，无论是从高纳德(Gartner)的技术成熟度曲线去评估，即在2015年和2016年间，基于AlphaGo事件和 AI 基金的盈利、提前预知金融危机准确性正式推动了 AI 从曲线中低谷期进入了攀升阶段；而都应做好准备接受这一现实，并基于AI 这个是工具论的方式下，第四章论述了 AI 即将对社会、组织结构、工作流程的改变和机遇，同时在第五章中预防传统的管理模式和“商业利益出发”，系统数据碎片化、孤岛性下，“也为数据的共享和流转限定了基本的规则和边界”。

　当然高级 AI 模式，或许还要攀升阶段中需求几年、甚至一、二十年攀升。正如书中第三章中抽象定义了弱 AI、强 AI、超级 AI 三种阶段，质疑 AI 挑战人类的悲观、乐观论中，明确了计算机在情感跨域推理的缺陷。及第二张的 AI 定义和第五、六章中讲述了特别成功的场景案例和对个人的教育及发展机会、如何学习。特此总结如下：

　 一、“AI=大数据+深度学习”，其实深度学习是神经网络算法中经典，主要分为"DNN、CNN、RNN、ResNet（深度残差）、LSTM 之外，还有很多其他结构的神经网络。如因为在序列信号分析中，如果我能预知未来，对识别一定也是有所帮助的。因此就有了双向 RNN、双向 LSTM，同时利用历史和未来的信息"。当然不同的深度学习算法是用于不同的领域场景解决范围。如图片、视频和文本、数字。网上一些资料如下：

　 二、基于成熟曲线下拥抱成熟 AI 开源技术，因自己不是科研类型，固然无需研究 AI 背后的科学原理，更多应是拥抱 AI 应用。如开源可直接免费应用于商业的框架：

　 基于以上框架，对当前 AI 的人力需求则可在几个人下就可完成一个乃至一系列的 AI 平台快速实现能力。

　 三、“运筹就是 AI 的灵魂”，对是否能够驾驽 AI 并结合传统下常规的软件应用，我们应知道 AI 的灵魂就是运筹，如 FaceBook 和亚马逊、谷歌等，他们对 AI 工程师的入门就是面试为一个“动态规划算法”的应用基础。当然很多的运筹就是应用统计学和数学的结合，加上算法编程能力。读后感·而对算法库的支持中最好应该就是 R 语

　言、Python,其次就是 Java；而且 Java 在大数据的处理能力中有Hadoop、Spark 这样等级的基础，且他们均支持 Python,故此到底选择什么框架、什么语言还是要看个人及团队能力。

　 四、需求自我裂变，明白 AI 的推动应该是在特定场景需求中，通过技术需求和算法自我裂变的过程。

　 其实书中说的裂变，我更多理解成 AI 在系统中提供的服务能力，是需要不断地迭代和完善、验证。当然书中更多列举了谷歌的搜索语义裂变、电子商务的评价分析中的一个点，不断扩散到翻译、蚂蚁金服的信用审核过程。这些过程不仅仅是技术数据的自我裂变，且这种需求是无法从业务、组织、流程这样的被动式需求规划去实现，而裂变中讲究的是技术自我主动管理的过程。

　 五、AI 的应用是在“闭环的生态技术栈启动”，其所依赖的数据仓库资产化的“多维度”下，数据赋能服务能力。

　 数据仓库资产化我是非常的认可，在 Togaf 技术架构治理中就定义了数据资产化，而对于 AI 依赖生成体现的数据资产化，如果都不知道什么是数据资产化，更不用说推动 AI 的应用了。

　 六、各种适合 AI 场景和机会的总结

　 1、搜索推荐；2、医疗养老；3、自动驾驶；4、智能客服；5、商务评价监控；6、图片视频识别；7：品质抽样检查评估等等。作者：Heavin 感谢阅读，希望能帮助您！